Trading • Fundamenten • Overfitting
Een backtest die er perfect uitziet is niet automatisch een goede strategie. Soms is het vooral een systeem dat het verleden prachtig begrijpt en de toekomst compleet mist.
Overfitting is een van de meest onderschatte valkuilen in systematisch traden.
En dat is logisch, want het ziet er in eerste instantie helemaal niet uit als een valkuil. Het ziet eruit als succes. Mooie equity curve. Hoge winrate. Nauwelijks drawdown. Elke parameter strak afgestemd. Alles lijkt te kloppen.
Tot je live gaat.
Dan blijkt ineens dat je systeem niet zozeer een robuuste edge heeft, maar vooral heel goed is geworden in het uittekenen van het verleden. En dat verschil is alles.
Want een strategie die alleen werkt omdat ze historisch perfect is afgesteld, is geen sterke strategie. Het is een nette illusie met een overtuigende grafiek.
Overfitting in trading betekent dat een strategie zo sterk is afgestemd op historische data dat ze in backtests indrukwekkend oogt, maar in live marktomstandigheden nauwelijks robuust blijkt.
Wat is overfitting in trading?
Overfitting ontstaat wanneer je strategie te precies wordt afgestemd op historische koersdata.
In plaats van een algemeen bruikbaar patroon te vinden, stem je het systeem af op toevalligheden uit het verleden. Daardoor lijkt de strategie slim, maar in werkelijkheid leert ze vaak vooral de ruis uit de dataset kennen.
Dat is precies waarom hypothetische of backtested resultaten met zoveel voorzichtigheid bekeken moeten worden. Investor.gov benadrukt expliciet dat back-tested performance hypothetisch is en geen werkelijke prestaties weerspiegelt. :contentReference[oaicite:1]{index=1}
In traderstaal gezegd: je model haalt een 10 voor geschiedenis, maar zakt voor de toets van morgen.
Hoe ontstaat overfitting?
Overfitting ontstaat meestal niet door onkunde, maar door enthousiasme zonder rem.
Je begint met een idee. Daarna ga je testen. Dan pas je een parameter aan. Dan nog één. Dan nog een filter. Nog een tijdvenster. Nog een uitzondering. Nog een optimalisatie. En ineens ziet de equity curve eruit alsof je de markt hebt gekraakt.
Alleen heb je vaak niet de markt gekraakt. Je hebt vooral je model net zo lang afgestemd tot het verleden ophield met terugpraten.
1. Te veel parameters
Hoe meer knoppen je draait, hoe groter de kans dat je historische toevalstreffers “inbouwt”.
2. Te weinig out-of-sample test
Als je alleen optimaliseert op één dataset, weet je vooral hoe goed je systeem dát verleden onthoudt.
3. Verliefd worden op de curve
Een mooie backtest voelt als bewijs. Maar gevoel is geen validatiemethode.
Waarom backtests misleidend kunnen zijn
Backtests zijn nuttig. Echt. Zonder testen vlieg je blind.
Maar backtests zijn niet hetzelfde als live prestaties. Dat is niet alleen een trader-waarschuwing, maar ook een regulatoire werkelijkheid: Investor.gov zegt expliciet dat back-tested performance hypothetisch is en niet gelijkstaat aan werkelijke resultaten. De SEC trad bovendien op tegen het tonen van hypothetische performance zonder passende procedures en context voor beleggers.
Waarom dat verschil zo groot kan zijn?
- omdat fees, slippage of execution verschillen kunnen onderschat worden;
- omdat marktregimes veranderen;
- omdat liquiditeit live anders aanvoelt dan in een spreadsheet;
- omdat jij in real time niet meer dezelfde rust hebt als tijdens het optimaliseren achteraf.
Met andere woorden: de backtest is een laboratorium. De markt is een straatgevecht.
Een backtest kan laten zien dat iets kón werken. Niet dat het straks vanzelf weer werkt.
Signalen dat je strategie overfit is
Overfitting is niet altijd direct zichtbaar, maar er zijn wel duidelijke waarschuwingssignalen.
Signaal #1
De backtest is bijna té mooi.
Signaal #2
Kleine parameterwijzigingen slopen het resultaat.
Signaal #3
Live of paper trading valt direct tegen.
- Je strategie heeft extreem veel filters, uitzonderingen of specifieke instellingen.
- Een kleine wijziging in input of periode verandert het hele resultaat.
- De equity curve oogt bijna onnatuurlijk glad.
- Out-of-sample of forward testing is duidelijk slechter dan je geoptimaliseerde backtest.
- Je kunt de edge moeilijk simpel uitleggen zonder naar twintig instellingen te wijzen.
Vaak is dat het moment waarop je minder moet kijken naar hoe mooi het resultaat oogt, en meer naar hoe robuust de logica eigenlijk is.
Lees ook: wat is algoritmisch traden?
Hoe voorkom je overfitting?
Je voorkomt overfitting nooit volledig. Maar je kunt het risico wel flink verkleinen.
Dat sluit ook aan op bredere verwachtingen rond modeldiscipline en controles. ESMA beschrijft dat AI- en modelgebruik in effectenmarkten gepaard gaat met gemengde uitkomsten en vraagt om goede governance, menselijk toezicht en risicobeheersing. :contentReference[oaicite:3]{index=3}
1. Houd je logica simpel
Hoe eenvoudiger de kern, hoe groter de kans dat je iets algemeens vangt in plaats van historische ruis.
2. Test out-of-sample
Reserveer data die je niet gebruikt voor optimalisatie en kijk of je systeem daar ook overeind blijft.
3. Doe forward testing
Paper trading of een kleine live test helpt om te zien of je systeem ook buiten de spreadsheet kan ademen.
- Gebruik zo min mogelijk onnodige parameters.
- Test verschillende marktfases en regimes.
- Werk met out-of-sample en walk-forward validatie.
- Houd rekening met fees, slippage en realistische uitvoering.
- Vraag jezelf steeds af: begrijp ik de logica, of vertrouw ik vooral op de curve?
Dat laatste is misschien de belangrijkste check van allemaal.
Lees ook: risicomanagement voor traders
Lees ook: traden met AI: the good, the bad, the ugly
Wanneer is een strategie robuuster dan mooi?
Wanneer ze niet perfect hoeft te zijn om bruikbaar te blijven.
Een robuuste strategie overleeft kleine wijzigingen. Ze werkt niet alleen op één magische periode. Ze blijft logisch als je fees meeneemt. Ze is uitlegbaar zonder rookgordijn van instellingen. En ze zakt niet meteen door het ijs zodra de markt iets anders ademt dan in je testbestand.
Dat oogt misschien minder sexy dan een hypergladde equity curve. Maar het is wel dichter bij de werkelijkheid.
Onze conclusie
Overfitting is wat er gebeurt wanneer je model het verleden bewondert, maar de toekomst niet begrijpt.
Een indrukwekkende backtest is niet waardeloos. Maar ze is ook geen vrijbrief om te denken dat je een edge hebt gevonden.
De betere vraag is niet: “hoe mooi is deze curve?” De betere vraag is: “blijft dit idee logisch als de markt verandert, de data minder netjes is en de uitvoering minder perfect voelt?”
Precies daar scheid je een robuust systeem van een geoptimaliseerde illusie.
Niet de mooiste backtest wint. De meest robuuste logica wel.
Wil je systematischer werken zonder jezelf te misleiden met mooie data?
Lees dan ook ons artikel over algoritmisch traden en ontdek hoe regels, structuur en testdiscipline samenkomen in een volwassen proces.
Werk ook aan de andere kant van robuustheid
Combineer testdiscipline met risicomanagement en marktcontext, zodat je strategie niet alleen slim oogt maar ook houdbaar blijft.
FAQ over overfitting in trading
Wat is overfitting in trading?
Overfitting in trading betekent dat een strategie zo sterk is afgestemd op historische data dat ze in backtests goed lijkt te werken, maar live vaak niet robuust blijkt.
Waarom is overfitting gevaarlijk?
Omdat het je het gevoel geeft dat je een edge hebt, terwijl je model mogelijk vooral historische ruis heeft geleerd in plaats van een algemeen bruikbaar patroon.
Zijn backtests dan waardeloos?
Nee. Backtests zijn nuttig, maar ze zijn hypothetisch en mogen niet worden verward met echte live prestaties.
Hoe herken je een overfit strategie?
Vaak door te veel parameters, extreem mooie backtests, zwakke out-of-sample resultaten en systemen die direct instorten bij kleine wijzigingen.
Hoe voorkom je overfitting?
Door logica simpel te houden, out-of-sample te testen, forward testing te doen en realistischer om te gaan met fees, slippage en wisselende marktomstandigheden.
Disclaimer: Dit artikel is uitsluitend bedoeld voor educatieve doeleinden en is geen persoonlijk beleggingsadvies.
